CHƯƠNG III : PHƯƠNG PHÁP NGHIÊN CỨU
3.6. Phương pháp phân tích dữ liệu:
3.6.1. Mẫu và phương pháp chọn mẫu:
Đối tượng khảo sát của nghiên cứu là các DNNVV, có hoạt động xây dựng hoặc xây lắp và tổ chức công tác kế toán trên địa bàn Thành phố Hồ Chí Minh (dựa vào câu trả lời của phần I của bảng câu hỏi khảo sát để loại bỏ các đối tượng khảo sát không đáp ứng được yêu cầu). Các mẫu được chọn theo phương pháp thuận tiện, một trong những phương pháp chọn mẫu phi xác xuất. Phương pháp chọn mẫu thuận tiện là phương pháp chọn mẫu phi xác suất trong đó nhà nghiên cứu tiếp cận với phần tử mẫu bằng phương pháp thuận tiện. Nghĩa là nhà nghiên cứu có thể chọn những phần tử nào mà họ có thể tiếp cận. (Nguyễn Đình Thọ và Nguyễn Thị Mai Trang, 2011). Ưu điểm của phương thức này là dễ tiếp cận đối tượng nghiên cứu và thường sử dụng khi bị giới hạn về thời gian và chi phí. Tuy nhiên, nhược điểm của phương thức này là không xác định được sai số do lấy mẫu.
Theo Hoàng Trọng và Chu Hoàng Mộng Ngọc (2008) đối với kỷ thuật phân tích nhân tố, cỡ mẫu ít nhất bằng 4 hay 5 lần số biến trong phân tích nhân tố, số biến quan sát của nghiên cứu là 32 thì cỡ mẫu tối thiểu được thực hiện là 124. Theo Tabachnich & Fidell (2007) trích bởi (Nguyễn Đình Thọ 2011) thì trong phân tích hồi quy bội (MRL), kích cỡ mẫu được tính bằng công thức n ≥ 50 + 8p, trong đó: n là kích cỡ mẫu, p là số lượng biến độc lập trong mô hình, với số lượng biến độc lập trong nghiên cứu là 5 biến thì cỡ mẫu tối thiểu là 90.
Kích thước mẫu trong nghiên cứu chính thức là 176 mẫu, phù hợp với hai điều kiện nêu trên.
3.6.2. Thu thập dữ liệu:
Dữ liệu được thu thập bằng 2 cách: (1) trực tiếp gửi bảng câu hỏi cho đối tượng khảo sát, (2) gửi bảng câu hỏi qua ứng dụng Google Docs. So với cách gửi trực tiếp thì việc gửi câu hỏi qua ứng dụng của Google được thực hiện tự động và nhiều bảng khảo sát thông tin trả lời bị bỏ trống một số phần.
3.6.3. Xử lý và phân tích dữ liệu:
3.6.3.1. Phân tích hệ số Cronbach alpha
Các biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0.3 sẽ bị loại và tiêu chuẩn chọn thang đo khi hệ số Cronbach alpha từ 0.6 trở lên (Nunnally và Burnstein, 1994).
3.6.3.2. Phân tích nhân tố khám phá EFA
Trong phân tích nhân tố phương pháp Principal components analysis đi cùng với phép xoay varimax thường được sử dụng. Phân tích nhân tố phải thỏa mãn 5 điều kiện như sau:
(1) Hệ số KMO ≥ 0.5 và mức ý nghĩa của Kiểm định Bartlet ≤ 0.05. ( Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
(2) Hệ số tải nhân tố (Factor Loading) ≥ 0.5 để tạo giá trị hội tụ- Theo Hair và Anderson (1998, 111). Hệ số tải nhân tố > 0.3 được xem là đạt mức tối thiểu thì cỡ mẫu ít nhất phải là 350; hệ số tải nhân tố> 0.4 được xem là quan trọng; và ≥ 0.5 được xem là có ý nghĩa thực tiễn. Nếu cỡ mẫu khoảng 100 thì nên thì nên chọn tiêu chuẩn hệ số tải nhân tố > 0.55; nếu cỡ mẫu khoảng 50 thì hệ số tải nhân tố > 0.75. Trong phần phân tích nhân tố này, tác giả chấp nhận hệ số tải nhân tố từ 0.5 trở lên, nếu các biến quan sát không đạt yêu cầu này thì không phải là biến quan trọng trong mô hình và bị loại để chạy tiếp phân tích nhân tố.
(3) Thang đo được chấp nhận khi tổng phương sai trích ≥ 50%.
(4) Hệ số eigenvalue >1 (Hair và Anderson, 1998). Số lượng nhân tố được xác định dựa trên chỉ số đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố.
(5) Khác biệt hệ số tải nhân tố của một biến quan sát giữa các nhân tố phải ≥ 0.3 để tạo giá trị phân biệt giữa các nhân tố (Jabnoun và Al-Tamimi , 2003).
Sau khi kiểm tra điều kiện (1) của phân tích nhân tố, tiến đến xác định số lượng nhân tố thông qua điều kiện (3) là phương sai trích ≥ 50% và (4) là eigenvalue >1. Tiếp đến, kiểm tra giá trị hội tụ theo điều kiện (2) và giá trị phân biệt theo điều kiện (5) của các thang đo nhằm điều chỉnh để phục vụ cho việc chạy hồi quy mô hình tiếp theo. Kết quả phân tích EFA cuối cùng sẽ đáp ứng giá trị hội tụ và giá trị phân biệt. Các nhân số của các nhân tố dùng để tính toán chỉ được hình thành sau khi kiểm tra EFA và Cronbach alpha. Nhân số bằng trung bình cộng (Mean) của các biến số (hoặc items) của từng nhân tố (factors), theo Nguyễn Đình Thọ, 2011, trang 406.
3.6.3.3. Phân tích tương quan và hồi quy tuyến tính bội
•Nếu kết luận được là các biến độc lập và biến phụ thuộc có tương quan tuyến tính với nhau qua hệ số tương quan Pearson, thì chúng ta có thể mô hình hóa mối quan hệ nhân quả của chúng bằng mô hình hồi qui tuyến tính bội, trong đó một biến được gọi là biến phụ thuộc và biến còn lại gọi là các biến độc lập (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
•Kiểm định độ phù hợp của mô hình •Kiểm định ý nghĩa của các hệ số hồi quy
•Tiến hành dò tìm các vi phạm giả định cần thiết trong hồi quy tuyến tính bội. •Tiếp theo là đánh giá độ phù hợp của mô hình hồi quy tuyến tính bội bằng hệ số
R² và hệ số R² điều chỉnh.
Viết phương trình hồi quy tuyến tính bội: theo đó, hệ số hồi quy riêng phần của nhân tố nào càng lớn thì mức độ ảnh hưởng đến chất lượng dịch vụ kế toán
Tóm tắt chương 3
Chương này đã giới thiệu phương pháp nghiên cứu sử dụng trong luận văn nhằm đạt được mục tiêu đề ra. Quy trình thực hiện gồm 2 bước:
Nghiên cứu sơ bộ bằng phương pháp định tính được thực hiện bằng kỹ thuật phỏng vấn sâu nhằm bổ sung và hiệu chỉnh thang đo ban đầu cho các biến quan sát.
Nghiên cứu chính thức được thực hiện bằng phương pháp định lượng, dữ liệu được thu thập thông qua bảng câu hỏi khảo sát. Sau đó được xử lý và phân tích bằng
phần mềm SPSS 16.0 nhằm phân tích, kiểm định lại thang đo và mô hình nghiên cứu. Từ đó, đưa ra kết luận về các giả thuyết nghiên cứu và trả lời các câu hỏi nghiên cứu.
Chương tiếp theo, tác giả sẽ trình bày kết quả phân tích dữ liệu, và thảo luận kết quả đạt được.